Predictive Maintenance: Dem Fehler immer einen Schritt voraus

Fallen Maschinen überraschend aus, ist das oft teuer. Reparatur, Standzeiten und eine Produktionspause können hohe Kosten nach sich ziehen. Und wenn wegen eines Defekts zugesagte Termine platzen, kommt es womöglich noch zu Vertragsstrafen.

Risiken wie diese sollen Inspektionen mindern, die zu festgelegten Zeiten stattfinden. Allerdings werden dabei auch einwandfreie Bauteile ausgetauscht, die noch länger ihren Dienst tun könnten. Doch der Hersteller weist ihren Wechsel routinemäßig an – unabhängig von ihrem tatsächlichen Zustand.

Predictive Maintenance hingegen sagt vorher, wann beispielsweise ein Aggregat versagt. So kann es rechtzeitig repariert oder ersetzt werden. Die Methode macht Wartungsintervalle streng nach Vorschrift überflüssig: Instandgesetzt wird nicht auf Verdacht oder laut Serviceplan, sondern nur, wenn es erforderlich ist.

Möglich ist das mit den Mitteln des Internet of Things (IoT). Dabei generierte Daten laufen in einem Predictive-Maintenance-System zusammen, das diese sammelt, gewichtet und auswertet. In dem Prozess kommen Technologien wie Sensoren, Künstliche Intelligenz (KI) und/oder Machine Learning zum Einsatz. Im Verbund lassen sich kritische Abweichungen von festgelegten Toleranzwerten erkennen und Ausfallwahrscheinlichkeiten von Bauteilen prognostizieren.

Predictive Maintenance zielt aber nicht nur auf Einsparungsmöglichkeiten bei der Instandhaltung ab. Das System kann darüber hinaus Schwachstellen in Prozessen aufdecken und Verbesserungspotenziale erkennen.

So ist der aktuelle Stand bei KMU

Predictive Maintenance ist zwar ein komplexes Thema, aber mittlerweile auch für kleine und mittlere Unternehmen (KMU) geeignet. Am Anfang sind weniger personelle und finanzielle Ressourcen gefragt, sondern entscheidend ist eine Strategie mit einer klaren Ausrichtung. Externe Berater und Entwickler mit Domain-Wissen können dabei wertvolle Starthilfe leisten.

Oft überrascht es Unternehmen beim Einstieg, dass sie – zunächst auch ohne IoT-Infrastruktur – bereits eine Datenbasis besitzen, mit der sich arbeiten lässt. Sie muss nur von Exceldateien oder händisch erstellten Listen in strukturierte Informationen übertragen und verwertet werden. Zu Beginn ist es sinnvoll, sich auf Pilotprojekte wie separate Anlagen mit einfachen Verschleißteilen zu konzentrieren und bei Erfolg das Einsatzgebiet nach und nach zu erweitern.
 

3 Best Practices aus der Industrie
 

  • MAN: 
    Fahrzeuge des LKW-Herstellers MAN blieben immer wieder mit einem defekten Injektor im Motor liegen. Die Ausfälle führten zu Reparaturkosten, Konventionalstrafen und einem schlechterem Qualitätsranking. Um das künftig zu verhindern, ließ MAN ein Telematik-System entwickeln, das mit Data-Mining und statistischen Angleichungen arbeitet. Damit konnten Informationen von Zündspule und Einspritzung gesammelt und analysiert werden. Es ergaben sich daraus Fehlerbilder, die statistisch vorhersagbar waren.
     
  • TGW:
    Der Intralogistikspezialist TGW kontrolliert bei seinem Pickroboter Revolution regelmäßig den Zustand des Vakuums in der Greifvorrichtung. Weichen dort die festgelegten Toleranzwerte ab, kann schnell reagiert werden. Erforderlich ist das beispielsweise, wenn Staubpartikel im System zu einem Druckverlust führen. Diese Überwachung des Ist-Zustandes wird auch als Condition Monitoring bezeichnet.
     
  • ZF:
    ZF baut Antriebs- und Fahrwerktechnik. Dazu gehören auch Getriebe für Windturbinen. Wenn diese in Offshore-Anlagen vor der Küste stehen, ist die Wartung schwierig und kostenintensiv. Mit einem Partner entwickelte ZF ein Predictive-Maintenance-Projekt, das den Aufwand für Wartung und Reparatur verringerte. Inspekteure müssen deshalb seltener und nur bei Bedarf aufs Meer ausrücken.